配对样本和路径固的MLOps框架用于小型队列中强大的转录基因机器学习:模型分类研究

科学领域:

• 基因组学和计算生物学
• 机器学习在医学中的应用
• 罕见疾病研究 罕见疾病研究

背景情况:

• 超过90%的人类疾病是罕见的,影响全球数以百万计的人,并给研究带来挑战.
• 低患病率限制了队列大小,阻碍了基于转录基因组的强大的机器学习 (ML) 分类器的开发.
• 标准的ML模型需要大量的队列 (>100名参与者) 来获得准确性,这对于具有小患者群的罕见疾病是不可行的,导致过度拟合.

研究的目的:

• 开发一种ML分类方法,克服罕见病研究中的队列大小限制.
• 为了整合配对样本转录组动态,N-of-1路径分析和MLOps进行强大的分类.
• 为了提高ML模型的准确性和可解释性,用于高维的转录基因数据.

主要方法:

• 利用受试者内对对的样本转录组数据来控制个体变异性并改善信号噪声比.
• 实施了N-of-1途径级分析,以将高维的转录基因特征简化为可解释的生物特征.
• 集成可重现的机器学习操作 (MLOps) 用于自动版本,监控和超参数调整,以增强模型概括性.

主要成果:

• 在乳腺癌分类中获得了90%的精度和回忆,在鼻病毒感染分类中获得了92%的精度和90%的回忆.
• 配对样本动态提高了精度高达12%,在乳腺癌中提醒了13%,在鼻病毒中提醒了5%.
• 与传统方法相比,MLOps工作流程的准确性增加了约14.5%,识别了疾病分类的关键生物途径.

结论:

• 实体内动态,途径级特征减少和MLOps的综合方法有效地解决了罕见疾病转录组分类中的队列大小限制.
• 该方法提供了一个可扩展和可解释的解决方案,用于分析罕见疾病的高维转录组数据.
• 未来的研究将专注于将这些进展应用于各种治疗领域和小型队列研究设计.